Moderne Steueralgorithmen für Forstkräne mittels künstlichen neuronalen Netzen imitieren und optimieren
DOI:
https://doi.org/10.15150/lt.2020.3241Schlagworte:
Künstliche neuronale Netze (KNN), elektrohydraulische Bedarfsstromsteuerung (eBSS), getrennte Steuerkanten, Forwarder, LandmaschinenAbstract
Moderne hydrostatische Arbeitsantriebe für Land- und Forstmaschinen erfordern komplexe Steueralgorithmen. Im Gegenzug bieten diese gegenüber dem Stand der Technik signifikante energetische und steuerungstechnische Vorteile, wie eine reduzierte Schwingungsneigung oder die Implementierung einer variablen Leistungsbegrenzung. Neue Algorithmen sind daher essenziell zur nachhaltigen Optimierung zukünftiger Maschinen. Am Beispiel der elektrohydraulischen Bedarfsstromsteuerung eines Forstkrans wird dargestellt, wie ein bestehender Steueralgorithmus automatisiert in ein künstliches neuronales Netz (KNN) überführt und anschließend durch den Patternsearch-Algorithmus optimiert werden kann. Die KNN-Steuerung weist bereits nach 41 Generationen optimierter Parametersätze ein der Referenzsteuerung vergleichbares Verhalten auf. Mit diesem Ansatz ist es möglich, deterministische Algorithmen in stochastische Algorithmen mit vergleichbaren Übertragungsfunktionen zu überführen, die anschließend mit Methoden des maschinellen Lernens optimiert werden können.
Literaturhinweise
Altenburg, S.; Maur, A. auf der; Labinsky, A.; Eckert, S.; Faltenbacher, M.; Reuter, B. (2017): Nullemissionsnutzfahrzeuge. Vom ökologischen Hoffnungsträger zur ökonomischen Alternative. Studienbericht, Stuttgart, e-mobil BW GmbH
Axin, M. (2013): Fluid power systems for mobile applications. With a focus on energy efficiency and dynamic characteristics. Dissertation, Linköping, Linköping University, Department of Management and Engineering
Backé, W.; Baum, H. (2013): Systematik fluidtechnischer Schaltungen. Theoretische Einführung und Simulation von Prexisbeispielen, Aachen, Shaker Verlag
Bauer, A. (2019): Einsatz neuronaler Netze zur Steuerung von elektrohydraulischen Ventilen. Masterthesis, Karlsruher Institut für Technologie (KIT)
Berns, K. (1994): Steuerungsansätze auf der Basis neuronaler Netze für sechsbeinige Laufmaschinen. Dissertation, Sankt Augustin, Infix
Blume, C.; Jakob, W. (2009): GLEAM - General Learning Evolutionary Algorithm and Method. Ein evolutionärer Algorithmus und seine Anwendungen, Karlsruhe, KIT Scientific Publishing
Buxmann, P.; Schmidt, H. (2019): Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg, Berlin, Heidelberg, Springer, https://doi.org/10.1007/978-3-662-57568-0
Dengler, P. (2015): Untersuchung zum effizienten Betrieb von Hydraulikzylindern in Konstantdrucksystemen unter Verwendung einer Zwischendruckleitung. Dissertation, Karlsruhe, KIT Scientific Publishing, https://doi.org/10.5445/KSP/1000043836
Eriksson, B. (2010): Mobile fluid power systems design. With a focus on energy efficiency. Dissertation, Linköping, LiU-Tryck
Esders, H. (1996): Elektrohydraulisches load sensing für mobile Anwendungen. Dissertation, Düsseldorf, VDI-Verl.
Findeisen, D. (2006): Ölhydraulik, Berlin, Heidelberg, Springer, https://doi.org/10.1007/3-540-30967-5
Geiger, C.; Geimer, M. (2017): Efficiency Optimisation of a Forestry Crane by Implement Hydraulics with Energy Recovery. In: Land.Technik AgEng 2017, Conference Agricultural Engineering; Max-Eyth-Gesellschaft für Agrartechnik; Landtechnik AgEng, 10.-11.11.2017, Hannover, VDI Verlag, S. 175–184, https://doi.org/10.5445/IR/1000077237
Geimer, M.; Pohlandt, C. (2014): Grundlagen mobiler Arbeitsmaschinen, Karlsruhe, KIT Scientific Publishing, https://doi.org/10.5445/KSP/1000039443
Goodfellow, I.; Bengio, Y.; Courville, A. (2018): Deep Learning. Das umfassende Handbuch. Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze, Frechen, mitp Verlags GmbH & Co. KG
Hänel, F.; Rautenberg, H.; Kunze Günter (2015): Gefährdung durch Feinstaubemissionenvon Baumaschinen. Studie, Frankfurt, Forschungsvereinigung Bau- und Baustoffmaschinen e. V.
Kolks, G.; Weber, J. (2016): Modiciency - Efficient industrial hydraulic drives through independent metering using optimal operating modes. In: 10th International Fluid Power Conference, 08.–10.03.2016, Dresden, Dresdner Verein zur Förderung der Fluidtechnik e. V. Dresden, S. 105–120
Manner, J.; Palmroth, L.; Nordfjell, T.; Lindroos, O. (2016): Load level forwarding work element analysis based on automatic follow-up data. Silva Fennica 50(3), https://doi.org/10.14214/sf.1546
MathWorks (2019a): How Pattern Search Polling Works. https://de.mathworks.com/help/gads/how-pattern-search-polling-works.html?searchHighlight=how%20patternsearch&s_tid=doc_srchtitle, accessed on 10 Dec 2019
MathWorks (2019b): patternsearch. https://de.mathworks.com/help/gads/patternsearch.html?searchHighlight=patternsearch&s_tid=doc_srchtitle, accessed on 10 Dec 2019
Mikut, R. (2008): Data Mining in der Medizin und Medizintechnik. Teilw. zugl.: Karlsruhe, Univ., Habil.-Schr., 2007 u.d.T.: Mikut, Ralf: Automatisierte Datenanalyse in der Medizin und Medizintechnik, Karlsruhe, Universitätsverlag
Pohlandt, C. (2018): Intelligentes Gesamtmaschinenmanagement für elektrische Antriebssysteme. Dissertation, Karlsruhe, KIT Scientific Publishing, https://doi.org/10.5445/KSP/1000081063
Renius, K.T. (2019): Fundamentals of tractor design, Cham, Springer, https://doi.org/10.1007/978-3-030-32804-7
Rocca, W. (2003): Lasten sicher im Griff. Zweistufiges-Senkbremsventil mit konstantem und degressivem Gegendruck. Fluid 37, S. 8–11
Scherer, M. (2015): Beitrag zur Effizienzsteigerung mobiler Arbeitsmaschinen. Entwicklung einer elektrohydraulischen Bedarfsstromsteuerung mit aufgeprägtem Volumenstrom. Dissertation, Karlsruhe, KIT Scientific Publishing, https://doi.org/10.5445/KSP/1000045508
Steindorff, K. (2010): Energierückgewinnung am Beispiel eines ventilgesteuerten hydraulischen Antriebs. Dissertation, Aachen, Shaker Verlag
Thiebes, P.; Vollmer T. (2011): Modellierung des Fahrers zur Untersuchung von Antriebssträngen in der 1D-Simulation am Beispiel eines Radladers mit Hybridantrieb. In: 3. Fachtagung Hybridantriebe für mobile Arbeitsmaschinen, Lehrstuhl für Mobile Arbeitsmaschinen (Mobima), 17.02.2011, Karlsruhe, KIT Scientific Publishing, S. 47–59
Vukovic, M.; Leifeld, R.; Murrenhoff, H. (2017): Reducing Fuel Consumption in Hydraulic Excavators – A Comprehensive Analysis. Energies 10(5), S. 687, https://doi.org/10.3390/en10050687
Weiss, B.; Wydra, M. (2019): Elekrohydraulische Bedarfsstromsteuerung mit Hybridfunktion zur Steigerung der Energieeffizienz von Forstmaschinen. Abschlussbericht, Osnabrück, Deutsche Bundesstiftung Umwelt – DBU
Wydra, M.; Geimer, M.; Weiss, B. (2017): An Approach to Combine an Independent Metering System with an Electro-Hydraulic Flow-on-Demand Hybrid-System, 07.-09.07.2017, Linköping, Sweden, Linköping University Electronic Press, S. 161–170, https://doi.org/10.5445/IR/1000072317
Wydra, M.; Siebert, J.; Weiß, B.; Geimer, M. (2018): Entwicklung einer Kransteuerung auf Basis der MOBiL-Methode. In: 10. Kolloquium Mobilhydraulik, Institut für mobile Maschinen und Nutzfahrzeuge (IMN), Technische Universität Braunschweig, 16.-17.10.2018, Braunschweig, Institut für mobile Maschinen und Nutzfahrzeuge (IMN), S. 1–12, https://doi.org/10.5445/IR/1000096002
Zhang, S.; Minav, T.; Pietola, M.; Kauranne, H.; Kajaste, J. (2019): The effects of control methods on energy efficiency and position tracking of an electro-hydraulic excavator equipped with zonal hydraulics. Automation in Construction 100, S. 129–144, https://doi.org/10.1016/j.autcon.2019.01.003
